An investigation on the application of predictive control for controlling screw position and velocity on an injection molding machine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Injection velocity is one of the key parameters in the injection molding process that has significant effect on part quality, influencing common problems, such as flashing and short shots. Different products require specific molding conditions, including mold and melt temperatures, velocity profiles, and polymers, making the injection velocity dynamics vary significantly and difficult for high precision velocity control. Two predictive controllers were developed to control the screw injection velocity. The first approach uses a position sensor as feedback and a simplified predictive controller to track an injection velocity setpoint profile. The controller was developed and implemented utilizing single‐step change and multistep change open loop tests. The second strategy uses a multimodel dynamic matrix predictive controller to overcome the nonlinear characteristics of the injection velocity dynamics as the mold is being filled. Velocity feedback is provided by high speed processing of the position analog signal. This approach utilizes several open loop injection velocity profiles to generate corresponding dynamic matrices for the controller. As a result, this controller is modified or retuned automatically when setpoint changes in injection velocity occur, as well as when using different polymers and molds. The close loop results for both simulations and real time control have demonstrated that the two predictive controllers provided good setpoint tracking performance for wide ranging position and velocity profiles. POLYM. ENG. SCI., 47:390–399, 2007. © 2007 Society of Plastics Engineers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle